CN106228536B - 基于数字图像处理的土石坝筑坝材料颗粒级配检验方法 - Google Patents

Abstract

本发明公开了一种基于数字图像处理的土石坝筑坝材料颗粒级配检验方法，涉及筑坝材料的颗粒级配领域，包括以下步骤：S1.采集颗粒的数字图像；S2.将数字图像处理、识别及信息提取转换后构建基于图像识别的级配曲线；S3.级配曲线的非线性拟合构建数学模型；S4将确定的图像识别数学模型参数以及现场筛分数学模型参数构建一一对应关系的训练数据库。本发明有益效果：建立大样本的现场筛分试验级配曲线数据和图像识别级配曲线数据的学习训练数据库，形成对比，然后基于智能优化算法来确定两者之间的函数关系，利用函数关系来修正误差。从而形成一套快速、精确的筑坝材料级配质量检验方法。

Description

基于数字图像处理的土石坝筑坝材料颗粒级配检验方法

技术领域

本发明涉及筑坝材料的颗粒级配领域，特别涉及一种基于数字图像处理的土石坝筑坝材料颗粒级配检验方法。

背景技术

对土石坝而言，在坝体填筑过程中，有效的控制坝料的质量是保证其在施工期和运营期安全正常运行的重要措施，而筑坝材料颗粒级配是直接影响其质量的重要标准。在国内外行业内的规范中，对筑坝材料的颗粒级配做出了明确的要求，如SL274-2001《碾压式土石坝设计规范》等，其中要求P5(以5mm为限分为粗细料)含量在30％～50％。然而在施工过程中，对筑坝材料颗粒级配检验的手段仍然是古老的筛分法，虽然其技术成熟，但是效率极低、严重影响施工进度，并且其准确和可信性度完全依赖试验者操作水平。因此，开辟一种快速、精确、客观的坝料颗粒级配检验方法是非常必要的。随着图像处理技术的发展，为快速识别坝料颗粒级配增加了契机。该技术的核心就是输入一张满足质量要求的坝料颗粒的照片，经过一系列处理，便可以得到该坝料的级配曲线用作级配检验的依据。

现有技术一的技术方案

江万年、车维斌等针对长河坝水电枢纽的土石坝工程心墙料提出了一种P5含量的快速检测方法。该方法主要还是通过做实验和统计数据的方法来达到目的，即量取试坑体积，试坑里面砾石土的质量参数，基于一些统计得到的面干吸水率和视比重，利用公式求出P5含量。

现有技术一的缺点

该方法仍然是通过实验完成，时间至少需要2个小时，时间很长，而且相关参数是建立在假设和统计上面的，误差难以控制。此外凡是实验性质检测，实验人员的操作水平对结果影响很大，主观性将强。

与本发明相关的现有技术二

现有技术二的技术方案

沙爱民、王超凡等提出了一种基于图像的沥青混合料矿物级配检测方法。是以沥青混合料为研究对象，对其进行对比度拉伸、中值滤波、阈值分割、二值形态学运算以及颗粒分析，得到了各个集料颗粒的面积、周长、外接矩形和等效椭圆等特征参数，进一步对各参数进行统计分析，得到颗粒分析汇总数据，然后对分析汇总数据进行误差补偿，得到沥青混合料的矿料级配组成并绘制级配曲线。

现有技术二的缺点

因为在图像识别过程中，由于图像识别处理的技术缺陷，肯定存在误差，粒径尺寸越小越多，误差会越大。但是技术二只是进行了图像识别工作，没有根据筛分试验数据对图像识别数据进行标定，即没有建立图像识别与真实筛分试验之间的联系。此外，相比沥青混合料而言，坝料颗粒更细，识别过程中误差更大，该图像处理技术对土石坝坝料颗粒的识别是不适用的。

发明内容

本发明针对现有技术的不足，提供一种基于数字图像处理的土石坝筑坝材料颗粒级配检验方法，能有效解决现有技术效率极低、严重影响施工进度，并且其准确和可信性度完全依赖试验者操作水平的问题。

为解决以上问题，本发明采用的技术方案如下：一种基于数字图像处理的土石坝筑坝材料颗粒级配检验方法，包括以下步骤：S1.采集颗粒的数字图像；S2.将数字图像处理和信息转换后构建基于数字图像识别的级配曲线；S3.级配曲线的非线性拟合构建数学模型；S4将确定的图像识别数学模型参数以及现场筛分数学模型参数构建一一对应关系的大样本数据库；利用大样本数据库，基于模拟退火算法改进的优化算法对大样本数据库进行训练，从而确定图像识别数学模型参数以及现场筛分数学模型参数之间隐含的数学函数关系，基于该隐含的数学函数关系，对筑坝材料颗粒的级配曲线进行检验。

作为优选，S1具体如下：利用图像采集装置采集坝料颗粒的数字图像，相机作为图像采集装置最重要的一部分，其型号是佳能500D，镜头是定焦佳能EF28mm f/1.8USM。

作为优选，S2具体如下：利用基于matlab编写的数字图像处理程序对所获得的数字图像进行预处理、灰度化、阈值分割、颗粒几何参数特征提取、像素点的几何尺寸标定，从而获得坝料各个颗粒的真实几何尺寸参数，包括长轴、短轴和面积；然后利用坝料颗粒几何参数模型，将颗粒的几何信息转换成质量级配信息，从而确定坝料颗粒的级配曲线。

作为优选，S3具体如下：将图像识别结果与现场筛分试验进行对比，将级配曲线基于坝料颗粒几何尺寸分布模型，即广义极值分布模型进行拟合，将级配曲线转换成数学模型，确定所述级配曲线转换成数学模型的参数。

作为优选，S4所述的优化算法是BP神经网络智能优化算法。

本发明的有益效果：土石坝在填筑过程中，对坝料颗粒的级配有很高的要求，传统的筛分方法检测效率低、严重影响施工进度、检测的精准度受到检测人员操作水平限制。而利用数字图像完成对筑坝材料的级配检验效率高，只需要前期建立样本库，能够到达一劳永逸的作用，加快施工进度，结果的客观性较强，信息反馈实时，保证所填筑的坝料满足级配控制要求。本发明提出一种更加快速、更加客观的方法来对筑坝材料的级配进行检验，即利用数字图像处理识别技术完成对坝料颗粒级配的检验。但是正如技术二中出现的问题，由于图像分割技术的先天不足，识别的结果肯定存在误差，为此本发明建立大样本的现场筛分试验级配曲线数据和图像识别级配曲线数据的学习训练数据库，形成对比，然后基于智能优化算法来确定两者之间的函数关系，利用函数关系来修正误差。从而形成一套快速、精确的筑坝材料级配质量检验方法。

附图说明

图1为图像采集装置示意图；

图2为长河坝水电站堆石心墙坝反滤料II数字图像；

图3为基于阈值分割后效果图；

图4为基于图像识别的坝料颗粒级配曲线；

图5为反滤料II图像识别级配曲线拟合结果；

图6为反滤料II现场筛分级配曲线拟合结果；

图7为待检验坝料颗粒数字图片；

图8为阈值分割后的效果图；

图9为待检验样品级配曲线拟合结果；

图10为最终得到的级配曲线；

图11为筑坝材料的颗粒级配进行实时的评价及反馈流程示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明做进一步详细说明。

本发明提出一种基于数字图像处理的土石坝筑坝材料颗粒级配检验方法，包括以下步骤：

S1.利用图1所示的图像采集装置采集坝料颗粒的数字图片，相机型号是佳能500D，镜头是定焦佳能EF 28mm f/1.8USM。图2是利用该装置采集到的坝料颗粒数字照片，系长河坝水电站土石坝的土石料——反滤料II。筑坝材料颗粒数字图像采集方法多种多样，只要能够采集质量较好的颗粒数字图片的方法都可以完成对数字图像的采集。

S2.利用基于matlab编写的数字图像处理程序对所获得的数字图像进行预处理、灰度化、阈值分割、颗粒几何参数特征提取、像素点的几何尺寸标定，从而获得坝料各个颗粒的真实几何尺寸参数，包括长轴、短轴、面积等。图3是基于阈值分割后的坝料颗粒图片。然后利用坝料颗粒几何参数模型，将颗粒的几何信息转换成质量级配信息，从而确定坝料颗粒的级配曲线，如图4所示。不同的图像预处理、分割、信息提取方式都可能完成对图片中坝料颗粒几何信息的提取。

S3.利用图像处理技术识别颗粒级配肯定存在误差，为了对识别过程中的误差进行标定及修正，需要将图像识别处理结果与现场筛分试验进行对比，然而仅用级配曲线这种图像信息来完成这项抽象的工作基本是不现实的，因此将级配曲线基于坝料颗粒几何尺寸分布模型——广义极值分布进行拟合，将级配曲线转换成数学模型，确定模型的数学参数，增加可描述性。如图5所示是图4级配曲线拟合结果，图6是相同坝料利用现场筛分试验拟合结果。

S4.对大量的坝料重复进行上述三步操作，确定各自的图像识别数学模型参数以及现场筛分数学模型参数(即ζ、σ、μ)，构建一一对应关系的训练数据库。虽然这两者存在数值上的差异，但是之间存在某种隐含的数学函数关系，利用大样本的数据库，基于模拟退火算法改进的BP神经网络智能优化算法对样本数据库进行训练，从而确定它们之间隐含的数学函数关系。建立图像识别级配曲线数学模型参数和现场筛分级配曲线数学模型参数之间关系的智能学习方法多种多样，不仅局限于BP神经网络算法。

实施例:

基于大样本数据库之间的隐含函数关系，对筑坝材料颗粒的级配曲线进行检验。利用图1所示装置采集待检验坝料颗粒数字图片，图7是采集的坝料颗粒数字图片。将图片通过数字图像处理识别(图8)、非线性拟合(图9)后便可确定数学模型拟合参数ζ1、σ1、μ1。将ζ1、σ1、μ1作为输入，通过样本数据库训练学习后，得到输出ζ2、σ2、μ2。将输出的模型参数代入广义极值分布模型，做出其曲线，该曲线即为最终得到的用于级配质量检验的曲线，如图10所示。利用一种程序语言集成图像处理、识别技术；级配曲线非线性拟合技术；大样本数据库智能学习训练技术以及整合数字图像自动采集装置，构成一套软件+硬件的土石坝筑坝材料级配自动识别系统。此外结合互联网技术、计算机网络技术和自动控技术等手段，对筑坝材料的颗粒级配进行实时的评价及反馈。如图11所示。

Claims (5)

1.一种基于数字图像处理的土石坝筑坝材料颗粒级配检验方法，其特征在于，包括以下步骤：S1.采集颗粒的数字图像；S2.将数字图像处理和信息转换后构建基于数字图像识别的级配曲线；S3.级配曲线的非线性拟合构建数学模型；S4将确定的图像识别数学模型参数以及现场筛分数学模型参数构建一一对应关系的大样本数据库；利用大样本数据库，基于模拟退火算法改进的优化算法对大样本数据库进行训练，从而确定图像识别数学模型参数以及现场筛分数学模型参数之间隐含的数学函数关系，基于该隐含的数学函数关系，对筑坝材料颗粒的级配曲线进行检验。

2.根据权利要求1所述的基于数字图像处理的土石坝筑坝材料颗粒级配检验方法，其特征在于，S1具体如下：利用图像采集装置采集坝料颗粒的数字图像，图像采集装置中的相机型号是佳能500D，镜头是定焦佳能EF 28mm f/1.8 USM。

3.根据权利要求1或2所述的基于数字图像处理的土石坝筑坝材料颗粒级配检验方法，其特征在于，S2具体如下：利用基于matlab编写的数字图像处理程序对所获得的数字图像进行预处理、灰度化、阈值分割、颗粒几何参数特征提取、像素点的几何尺寸标定，从而获得坝料各个颗粒的真实几何尺寸参数，包括长轴、短轴和面积；然后利用坝料颗粒几何参数模型，将颗粒的几何信息转换成质量级配信息，从而确定坝料颗粒的级配曲线。

4.根据权利要求3所述的基于数字图像处理的土石坝筑坝材料颗粒级配检验方法，其特征在于，S3具体如下：将图像识别结果与现场筛分试验进行对比，将级配曲线基于坝料颗粒几何尺寸分布模型，即广义极值分布模型进行拟合，将级配曲线转换成数学模型，确定所述级配曲线转换成数学模型的参数。

5.根据权利要求4所述的基于数字图像处理的土石坝筑坝材料颗粒级配检验方法，其特征在于，S4所述的优化算法是BP神经网络智能优化算法。